CN110648322B - 一种子宫颈异常细胞检测方法及系统 - Google Patents

一种子宫颈异常细胞检测方法及系统 Download PDF

Info

Publication number
CN110648322B
CN110648322B CN201910913936.6A CN201910913936A CN110648322B CN 110648322 B CN110648322 B CN 110648322B CN 201910913936 A CN201910913936 A CN 201910913936A CN 110648322 B CN110648322 B CN 110648322B
Authority
CN
China
Prior art keywords
image
labeling
cervical
frame
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910913936.6A
Other languages
English (en)
Other versions
CN110648322A (zh
Inventor
刘炳宪
谢菊元
桂坤
操家庆
胡涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Zhituan Information Technology Co ltd
Original Assignee
Hangzhou Zhituan Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Zhituan Information Technology Co ltd filed Critical Hangzhou Zhituan Information Technology Co ltd
Priority to CN201910913936.6A priority Critical patent/CN110648322B/zh
Publication of CN110648322A publication Critical patent/CN110648322A/zh
Application granted granted Critical
Publication of CN110648322B publication Critical patent/CN110648322B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种子宫颈异常细胞检测方法及系统，涉及神经网络检测异常细胞。包括一建立异常细胞检测模型的过程，将宫颈玻片图像标注成含病理信息的标注图像；将标注图像分割成分块图像；分别对分块图像进行多尺度变换，分别得到尺度图像，并对每个尺度图像以左上角为原点建立的坐标系下，各标注框对应的真实位置坐标以及病理标注信息；将尺度图像分别进行色彩归一化处理，得到归一化图像；将归一化图像筛选出标注框宽和高均小于过滤框的有效标注图像；再用固定框对有效标注图像中能框选到最多的标注框的图像区域当做训练图像得到异常细胞检测模型；具有以下有益效果：通过对宫颈玻片图像进行多尺度变换，大大提升了检测准确度。

Description

一种子宫颈异常细胞检测方法及系统
技术领域
本发明涉及神经网络检测异常细胞领域，尤其涉及一种子宫颈异常细胞检测方法及系统。
背景技术
宫颈癌是对妇女威胁最大的恶性肿瘤疾病，随着宫颈癌筛查方法的发展，目前宫颈癌是唯一可以提前发现并治愈的癌症。目前的筛查方式主要依靠医生在镜下进行实时阅片，并对该病例做出评价。这种方法虽然可靠，但依赖于检验员的业务水平，同时对于阅片量增多时，疲劳感和医生的主观识别会影响阅片的准确率。
近年来，经过深度学习的神经网络对子宫颈异常细胞检测在一定程度上解决了这个问题。借助深度学习后的神经网络对子宫颈异常细胞检测的方法，能够辅助检验员对病理玻片进行判读，减少了阅片人员的工作量。但是，目前神经网络能识别的宫颈玻片的图像尺度单一，还有图像本身的清晰度、色彩均影响神经网络对子宫颈异常细胞的准确判断，往往不能被神经网络所识别，因此需要对宫颈玻片图像进行多尺度变换来训练神经网络的识别能力，从而提高宫颈异常细胞检测的精确度就显得尤为重要。
发明内容
本发明为了解决上述问题，现提出一种子宫颈异常细胞检测方法，包括以下步骤：
步骤S1，将获取到的宫颈玻片进行扫描得到对应的宫颈玻片图像，并在所述宫颈玻片图像上采用包含病理标注信息的标注框对子宫颈异常细胞进行标注，得到包含所述标注框的标注图像；
所述病理标注信息包括所述标注框的宽度、所述标注框的高度及用于表示所述子宫颈异常细胞的真实病变类别的类别标签；
步骤S2，以预设尺寸的分割窗口按照固定步长对所述标注图像进行分块，得到若干分块图像；
步骤S3，分别对各所述分块图像进行多尺度变换，分别得到每个所述分块图像在不同预设尺度下的若干尺度图像；
每个所述尺度图像中包括以所述尺度图像的左上角为原点建立的坐标系下，各所述标注框对应的真实位置坐标以及所述病理标注信息；
步骤S4，将各所述尺度图像分别进行色彩归一化处理，得到对应的若干归一化图像；
步骤S5，针对每个所述归一化图像，将所述归一化图像的每个所述标注框的所述宽度分别与预设的过滤框具有的第一宽度进行比较，以及将各所述标注框的所述高度分别与所述过滤框具有的第一高度进行比较：
若所述宽度不大于所述第一宽度且所述高度不大于所述第一高度，则生成包含对应的所述标注框的有效标注图像，随后转向步骤S6；
若所述宽度大于所述第一宽度或所述高度大于所述第一高度，则生成不包含对应的所述标注框的所述有效标注图像，随后转向步骤S6；
步骤S6，针对具有相同所述预设尺度的各所述有效标注图像，采用预先生成的具有一第二宽度和一第二高度的固定框对各所述有效标注图像中的各所述标注框进行框选，并将所述固定框内包含最多所述标注框的图像区域作为训练图像；
步骤S7，采用所有所述训练图像训练得到一异常细胞检测模型；
还包括一子宫颈异常细胞检测的过程，具体包括：
步骤A1，将待检测图像通过多尺度变换得到在不同所述预设尺度下的若干多尺度待检测图像，并根据所述异常细胞检测模型对各所述多尺度待检测图像进行子宫颈异常细胞检测，输出不同所述预设尺度下的初始检测结果；
步骤A2，将各所述初始检测结果进行合并得到所述待检测图像的子宫颈异常细胞检测结果。
优选的，所述步骤S7具体包括：
步骤S711，预先生成初始检测模型，所述初始检测模型包括预设的权重和偏置；
步骤S712，将所述训练图像输入所述初始检测模型以进行预测，输出对应每个所述训练图像的预测结果；
所述预测结果包括所述训练图像中的所述子宫颈异常细胞的预测位置坐标、预测病变类别以及对应于所述预测病变类别的预测分数；
步骤S713，根据所述预测位置坐标与对应的所述真实位置坐标计算所述初始检测模型的位置损失，根据所述预测病变类别和所述预测分数计算所述初始检测模型的分类损失，并将所述位置损失与所述分类损失相加得到总损失；
步骤S714，将所述总损失与预先设置的损失阈值进行比较：
若所述总损失不小于所述损失阈值，则对所述权重和所述偏置进行调整，随后返回所述步骤S712；
若所述总损失小于所述损失阈值，则将对应的所述权重和所述偏置代入所述初始检测模型，以得到所述异常细胞检测模型。
优选的，所述步骤S7具体包括：
步骤S721，预先生成初始检测模型，所述初始检测模型包括预设的权重和偏置；
步骤S722，将所述训练图像输入所述初始检测模型进行训练，并在每次训练结束后输出对应每个所述训练图像的预测结果；
所述预测结果包括所述训练图像中的所述子宫颈异常细胞的预测位置坐标、预测病变类别以及对应于所述预测病变类别的预测分数；
步骤S723，在每次训练结束后，根据所述预测位置坐标与对应的所述真实位置坐标计算所述初始检测模型的位置损失，根据所述预测病变类别和所述预测分数计算所述初始检测模型的分类损失，并统计当前对应的训练次数；
步骤S724，将所述训练次数与预先设置的训练次数阈值进行比较：
若所述训练次数小于所述训练次数阈值，则根据所述位置损失和所述分类损失对所述权重和所述偏置进行调整，随后返回所述步骤S722；
若所述训练次数不小于所述训练次数阈值，则将对应的所述权重和所述偏置代入所述初始检测模型，以得到所述异常细胞检测模型。
优选的，所述位置损失的计算公式如下：
其中，
L1；smooth表示所述位置损失；
x表示所述预测位置坐标和所述真实位置坐标之间的差值；
α的取值为0.5。
优选的，所述分类损失的计算公式如下：
L2；cross-entropy＝-(ylog(p)+(1-y)log(1-p))
其中，
L2；cross-entropy表示所述分类损失；
p表示所述预测分数；
y表示所述预测病变类别。
优选的，所述步骤S714中，所述损失阈值为0.2。
优选的，所述步骤S724中，所述训练次数阈值为20000次。
优选的，所述步骤A2中采用局部非极大值抑制方法对各所述初始检测结果进行合并。
优选的，所述步骤S3中，所述预设尺度包括1、1.667和3。
一种子宫颈异常细胞检测系统，应用于子宫颈异常细胞检测方法，包括：
数据存储模块，用于保存预先生成的异常细胞检测模型，所述数据存储模块具体包括：
标注单元，用于将获取到的宫颈玻片进行扫描得到对应的宫颈玻片图像，并在所述宫颈玻片图像上采用包含病理标注信息的标注框对子宫颈异常细胞进行标注，得到包含所述标注框的标注图像；
所述病理标注信息包括所述标注框的宽度、所述标注框的高度及用于表示所述子宫颈异常细胞的真实病变类别的类别标签；
分割单元，连接所述标注单元，用于以预设尺寸的分割窗口按照固定步长对所述标注图像进行分块，得到若干分块图像；
变换单元，连接所述分割单元，用于分别对各所述分块图像进行多尺度变换，分别得到每个所述分块图像在不同预设尺度下的若干尺度图像；
每个所述尺度图像中包括以所述尺度图像的左上角为原点建立的坐标系下，各所述标注框对应的真实位置坐标以及所述病理标注信息；
归一化单元，连接所述变化单元，用于将各所述尺度图像分别进行色彩归一化处理，得到对应的若干归一化图像；
过滤单元，连接所述归一化单元，用于针对每个所述归一化图像，将所述归一化图像的每个所述标注框的所述宽度分别与预设的过滤框具有的第一宽度进行比较，以及将各所述标注框的所述高度分别与所述过滤框具有的第一高度进行比较，并在
所述宽度不大于所述第一宽度且所述高度不大于所述第一高度时生成包含对应的所述标注框的有效标注图像，以及
在所述宽度大于所述第一宽度或所述高度大于所述第一高度时生成不包含对应的所述标注框的所述有效标注图像；
框选单元，连接所述过滤单元，用于针对具有相同所述预设尺度的各所述有效标注图像，采用预先生成的具有一第二宽度和一第二高度的固定框对各所述有效标注图像中的各所述标注框进行框选，并将所述固定框内包含最多所述标注框的图像区域作为训练图像；
检测单元，连接所述框选单元，用于采用所有所述训练图像训练得到一异常细胞检测模型；
存储单元，连接所述检测单元，用于保存所述异常细胞检测模型；
第一处理模块，连接所述数据存储模块，用于将待检测图像通过多尺度变换得到在不同所述预设尺度下的若干多尺度待检测图像，并根据所述异常细胞检测模型对各所述多尺度待检测图像进行子宫颈异常细胞检测，输出不同所述预设尺度下的初始检测结果；
第二处理模块，连接所述第一处理模块，用于将各所述初始检测结果进行合并得到所述待检测图像的子宫颈异常细胞检测结果。
具有以下有益效果：
通过对宫颈玻片图像进行多尺度变换，再对标注的位置损失和分类损失进行调整，可以大大提升检测准确度，特别是对小细胞的检测准确度。
附图说明
图1为本发明较佳的实施例中，一种建立异常细胞检测模型的流程示意图；
图2为本发明较佳的实施例中，一种子宫颈异常细胞检测过程流程示意图；
图3为本发明较佳的实施例中，异常细胞检测模型的训练过程示意图；
图4为本发明较佳的实施例中，异常细胞检测模型的训练过程示意图；
图5为本发明较佳的实施例中，一种子宫颈异常细胞检测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明为了解决上述问题，现提出一种子宫颈异常细胞检测方法，如图1所示，包括以下步骤：
步骤S1，将获取到的宫颈玻片进行扫描得到对应的宫颈玻片图像，并在宫颈玻片图像上采用包含病理标注信息的标注框对子宫颈异常细胞进行标注，得到包含标注框的标注图像；
病理标注信息包括标注框的宽度、标注框的高度及用于表示子宫颈异常细胞的真实病变类别的类别标签；
步骤S2，以预设尺寸的分割窗口按照固定步长对标注图像进行分块，得到若干分块图像；
步骤S3，分别对各分块图像进行多尺度变换，分别得到每个分块图像在不同预设尺度下的若干尺度图像；
每个尺度图像中包括以尺度图像的左上角为原点建立的坐标系下，各标注框对应的真实位置坐标以及病理标注信息；
步骤S4，将各尺度图像分别进行色彩归一化处理，得到对应的若干归一化图像；
步骤S5，针对每个归一化图像，将归一化图像的每个标注框的宽度分别与预设的过滤框具有的第一宽度进行比较，以及将各标注框的高度分别与过滤框具有的第一高度进行比较：
若宽度不大于第一宽度且高度不大于第一高度，则生成包含对应的标注框的有效标注图像，随后转向步骤S6；
若宽度大于第一宽度或高度大于第一高度，则生成不包含对应的标注框的有效标注图像，随后转向步骤S6；
步骤S6，针对具有相同预设尺度的各有效标注图像，采用预先生成的具有一第二宽度和一第二高度的固定框对各有效标注图像中的各标注框进行框选，并将固定框内包含最多标注框的图像区域作为训练图像；
步骤S7，采用所有训练图像训练得到一异常细胞检测模型；
还包括一子宫颈异常细胞检测的过程，如图2所示，具体包括：
步骤A1，将待检测图像通过多尺度变换得到在不同预设尺度下的若干多尺度待检测图像，并根据异常细胞检测模型对各多尺度待检测图像进行子宫颈异常细胞检测，输出不同预设尺度下的初始检测结果；
步骤A2，将各初始检测结果进行合并得到待检测图像的子宫颈异常细胞检测结果。
具体地，本实施例中，将宫颈玻片扫描后得到图片形式的宫颈玻片图像，医生在宫颈玻片图像上标注异常区域，再对整张宫颈玻片图像进行分割处理，通常一张宫颈玻片图像大小约在40000*40000像素左右，优选的，将宫颈玻片图像以800*800像素的窗口进行切割，窗口再以600像素滑动，最终得到的是800*800像素大小的分块图像，这样的操作可以避免细胞分布在分块图像的边缘而造成误识别；然后对分块图像进行多尺度的变换，优选的，将分块图像进行1.0、1.667和3.0倍扩大，因为单细胞尺寸范围为50-100像素、双细胞尺寸范围为80-160像素、细胞簇尺寸则在300像素以上，实行该三种尺寸的变换可以涵盖上述三种尺度的异常细胞并分别建立坐标系；再将尺度图像进行色彩归一化处理，优选的，采用如下归一化公式进行处理：R＝R-103.939；G＝G-116.779；B＝B-123.68；其中R、G和B分别代表红、绿和蓝三个通道的图像灰度值，进行色彩归一化后提高了对归一化图像的识别度；再将归一化处理后的归一化图像上的标注框与预先设定的过滤框进行比较，对于每个归一化图像，将宽度不大于第一宽度且高度不大于第一高度的标注框保留，将宽度大于第一宽度或高度大于第一高度的标注框过滤，保证每个归一化图像中的所有标注框均在预设过滤框的框选范围内，进而筛选出带标注框的有效标注图像；再用一固定框进行框选，将框选到最多的标注框的图像区域作为训练图像；优选的，固定框为宽和高分别为32像素和80像素；再将训练图像进行训练从而得到异常细胞检测模型。优选的，预先建立的初始检测模型优选为faster-rcnn网络。
训练完成的异常细胞检测模型对异常细胞进行检测，将待检测图像通过多尺度变换得到在不同预设尺度下的若干多尺度待检测图像进行子宫颈异常细胞检测，并将不同尺度下的检测结果进行合并得到最终的待检测图像的子宫颈异常细胞检测结果。
本发明较佳的实施例中，如图3所示，步骤S7具体包括：
步骤S711，预先生成初始检测模型，初始检测模型包括预设的权重和偏置；
步骤S712，将训练图像输入初始检测模型以进行预测，输出对应每个训练图像的预测结果；
预测结果包括训练图像中的子宫颈异常细胞的预测位置坐标、预测病变类别以及对应于预测病变类别的预测分数；
步骤S713，根据预测位置坐标与对应的真实位置坐标计算初始检测模型的位置损失，根据预测病变类别和预测分数计算初始检测模型的分类损失，并将位置损失与分类损失相加得到总损失；
步骤S714，将总损失与预先设置的损失阈值进行比较：
若总损失不小于损失阈值，则对权重和偏置进行调整，随后返回步骤S712；
若总损失小于损失阈值，则将对应的权重和偏置代入初始检测模型，以得到异常细胞检测模型。
本发明较佳的实施例中，如图4所示，步骤S7具体包括：
步骤S721，预先生成初始检测模型，初始检测模型包括预设的权重和偏置；
步骤S722，将训练图像输入初始检测模型进行训练，并在每次训练结束后输出对应每个训练图像的预测结果；
预测结果包括训练图像中的子宫颈异常细胞的预测位置坐标、预测病变类别以及对应于预测病变类别的预测分数；
步骤S723，在每次训练结束后，根据预测位置坐标与对应的真实位置坐标计算初始检测模型的位置损失，根据预测病变类别和预测分数计算初始检测模型的分类损失，并统计当前对应的训练次数；
步骤S724，将训练次数与预先设置的训练次数阈值进行比较：
若训练次数小于训练次数阈值，则根据位置损失和分类损失对权重和偏置进行调整，随后返回步骤S722；
若训练次数不小于训练次数阈值，则将对应的权重和偏置代入初始检测模型，以得到异常细胞检测模型。
本发明较佳的实施例中，位置损失的计算公式如下：
其中，
L1；smooth表示位置损失；
x表示预测位置坐标和真实位置坐标之间的差值；
α的取值为0.5。
本发明较佳的实施例中，分类损失的计算公式如下：
L2；cross-entropy＝-(ylog(p)+(1-y)log(1-p))
其中，
L2；cross-entropy表示分类损失；
p表示预测分数；
y表示预测病变类别。
本发明较佳的实施例中，步骤S714中，损失阈值为0.2。
本发明较佳的实施例中，步骤S724中，训练次数阈值为20000次。
本发明较佳的实施例中，步骤A2中采用局部非极大值抑制方法对各初始检测结果进行合并。
本发明较佳的实施例中，步骤S3中，预设尺度包括1、1.667和3。
一种子宫颈异常细胞检测系统，应用于子宫颈异常细胞检测方法，如图5所示，包括：
数据存储模块1，用于保存预先生成的异常细胞检测模型，数据存储模块1具体包括：
标注单元11，用于将获取到的宫颈玻片进行扫描得到对应的宫颈玻片图像，并在宫颈玻片图像上采用包含病理标注信息的标注框对子宫颈异常细胞进行标注，得到包含标注框的标注图像；
病理标注信息包括标注框的宽度、标注框的高度及用于表示子宫颈异常细胞的真实病变类别的类别标签；
分割单元12，连接标注单元11，用于以预设尺寸的分割窗口按照固定步长对标注图像进行分块，得到若干分块图像；
变换单元13，连接分割单元12，用于分别对各分块图像进行多尺度变换，分别得到每个分块图像在不同预设尺度下的若干尺度图像；
每个尺度图像中包括以尺度图像的左上角为原点建立的坐标系下，各标注框对应的真实位置坐标以及病理标注信息；
归一化单元14，连接变换单元13，用于将各尺度图像分别进行色彩归一化处理，得到对应的若干归一化图像；
过滤单元15，连接归一化单元14，用于针对每个归一化图像，将归一化图像的每个标注框的宽度分别与预设的过滤框具有的第一宽度进行比较，以及将各标注框的高度分别与过滤框具有的第一高度进行比较，并在
宽度不大于第一宽度且高度不大于第一高度时生成包含对应的标注框的有效标注图像，以及
在宽度大于第一宽度或高度大于第一高度时生成不包含对应的标注框的有效标注图像；
框选单元16，连接过滤单元15，用于针对具有相同预设尺度的各有效标注图像，采用预先生成的具有一第二宽度和一第二高度的固定框对各有效标注图像中的各标注框进行框选，并将固定框内包含最多标注框的图像区域作为训练图像；
检测单元17，连接框选单元16，用于采用所有训练图像训练得到一异常细胞检测模型；
存储单元18，连接检测单元17，用于保存异常细胞检测模型；
第一处理模块2，连接数据存储模块1，用于将待检测图像通过多尺度变换得到在不同预设尺度下的若干多尺度待检测图像，并根据异常细胞检测模型对各多尺度待检测图像进行子宫颈异常细胞检测，输出不同预设尺度下的初始检测结果；
第二处理模块3，连接第一处理模块2，用于将各初始检测结果进行合并得到待检测图像的子宫颈异常细胞检测结果。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (7)

1.一种子宫颈异常细胞检测方法，其特征在于，包括一建立异常细胞检测模型的过程，具体包括：
步骤S1，将获取到的宫颈玻片进行扫描得到对应的宫颈玻片图像，并在所述宫颈玻片图像上采用包含病理标注信息的标注框对子宫颈异常细胞进行标注，得到包含所述标注框的标注图像；
所述病理标注信息包括所述标注框的宽度、所述标注框的高度及用于表示所述子宫颈异常细胞的真实病变类别的类别标签；
步骤S2，以预设尺寸的分割窗口按照固定步长对所述标注图像进行分块，得到若干分块图像，所述预设尺寸为800*800像素，所述固定步长为600像素；
步骤S3，分别对各所述分块图像进行多尺度变换，分别得到每个所述分块图像在不同预设尺度下的若干尺度图像， 所述预设尺度包括1、1.667和3，所述多尺度变换为将所述分块图像进行所述预设尺度倍的扩大；
每个所述尺度图像中包括以所述尺度图像的左上角为原点建立的坐标系下，各所述标注框对应的真实位置坐标以及所述病理标注信息；
步骤S4，将各所述尺度图像分别进行色彩归一化处理，得到对应的若干归一化图像，所述步骤S4中采用如下归一化公式进行处理：R=R-103.939；G=G-116.779；B=B-123.68；
步骤S5，针对每个所述归一化图像，将所述归一化图像的每个所述标注框的所述宽度分别与预设的过滤框具有的第一宽度进行比较，以及将各所述标注框的所述高度分别与所述过滤框具有的第一高度进行比较：
若所述宽度不大于所述第一宽度且所述高度不大于所述第一高度，则生成包含对应的所述标注框的有效标注图像，随后转向步骤S6；
若所述宽度大于所述第一宽度或所述高度大于所述第一高度，则生成不包含对应的所述标注框的所述有效标注图像，随后转向步骤S6；
步骤S6，针对具有相同所述预设尺度的各所述有效标注图像，采用预先生成的具有一第二宽度和一第二高度的固定框对各所述有效标注图像中的各所述标注框进行框选，并将所述固定框内包含最多所述标注框的图像区域作为训练图像；
步骤S7，采用所有所述训练图像训练得到一异常细胞检测模型；
还包括一子宫颈异常细胞检测的过程，具体包括：
步骤A1，将待检测图像通过多尺度变换得到在不同所述预设尺度下的若干多尺度待检测图像，并根据所述异常细胞检测模型对各所述多尺度待检测图像进行子宫颈异常细胞检测，输出不同所述预设尺度下的初始检测结果；
步骤A2，将各所述初始检测结果进行合并得到所述待检测图像的子宫颈异常细胞检测结果；
所述步骤S7具体包括：
步骤S711，预先生成初始检测模型，所述初始检测模型包括预设的权重和偏置；
步骤S712，将所述训练图像输入所述初始检测模型以进行预测，输出对应每个所述训练图像的预测结果；
所述预测结果包括所述训练图像中的所述子宫颈异常细胞的预测位置坐标、预测病变类别以及对应于所述预测病变类别的预测分数；
步骤S713，根据所述预测位置坐标与对应的所述真实位置坐标计算所述初始检测模型的位置损失，根据所述预测病变类别和所述预测分数计算所述初始检测模型的分类损失，并将所述位置损失与所述分类损失相加得到总损失；
步骤S714，将所述总损失与预先设置的损失阈值进行比较：
若所述总损失不小于所述损失阈值，则对所述权重和所述偏置进行调整，随后返回所述步骤S712；
若所述总损失小于所述损失阈值，则将对应的所述权重和所述偏置代入所述初始检测模型，以得到所述异常细胞检测模型；
或，
所述步骤S7具体包括：
步骤S721，预先生成初始检测模型，所述初始检测模型包括预设的权重和偏置；
步骤S722，将所述训练图像输入所述初始检测模型进行训练，并在每次训练结束后输出对应每个所述训练图像的预测结果；
所述预测结果包括所述训练图像中的所述子宫颈异常细胞的预测位置坐标、预测病变类别以及对应于所述预测病变类别的预测分数；
步骤S723，在每次训练结束后，根据所述预测位置坐标与对应的所述真实位置坐标计算所述初始检测模型的位置损失，根据所述预测病变类别和所述预测分数计算所述初始检测模型的分类损失，并统计当前对应的训练次数；
步骤S724，将所述训练次数与预先设置的训练次数阈值进行比较：
若所述训练次数小于所述训练次数阈值，则根据所述位置损失和所述分类损失对所述权重和所述偏置进行调整，随后返回所述步骤S722；
若所述训练次数不小于所述训练次数阈值，则将对应的所述权重和所述偏置代入所述初始检测模型，以得到所述异常细胞检测模型；
所述初始检测模型为faster-rcnn网络。
2.根据权利要求1所述的子宫颈异常细胞检测方法，其特征在于，所述位置损失的计算公式如下：
其中，
表示所述位置损失；
x表示所述预测位置坐标和所述真实位置坐标之间的差值；
α的取值为0.5。
3.根据权利要求1所述的子宫颈异常细胞检测方法，其特征在于，所述分类损失的计算公式如下：
其中，
表示所述分类损失；
p表示所述预测分数；
y表示所述预测病变类别。
4.根据权利要求1所述的子宫颈异常细胞检测方法，其特征在于，所述步骤S714中，所述损失阈值为0.2。
5.根据权利要求1所述的子宫颈异常细胞检测方法，其特征在于，所述步骤S724中，所述训练次数阈值为20000次。
6.根据权利要求1所述的子宫颈异常细胞检测方法，其特征在于，所述步骤A2中采用局部非极大值抑制方法对各所述初始检测结果进行合并。
7.一种子宫颈异常细胞检测系统，其特征在于，应用于如权利要求1-6中任一项所述的子宫颈异常细胞检测方法，所述子宫颈异常细胞检测系统包括：
数据存储模块，用于保存预先生成的异常细胞检测模型，所述数据存储模块具体包括：
标注单元，用于将获取到的宫颈玻片进行扫描得到对应的宫颈玻片图像，并在所述宫颈玻片图像上采用包含病理标注信息的标注框对子宫颈异常细胞进行标注，得到包含所述标注框的标注图像；
所述病理标注信息包括所述标注框的宽度、所述标注框的高度及用于表示所述子宫颈异常细胞的真实病变类别的类别标签；
分割单元，连接所述标注单元，用于以预设尺寸的分割窗口按照固定步长对所述标注图像进行分块，得到若干分块图像；
变换单元，连接所述分割单元，用于分别对各所述分块图像进行多尺度变换，分别得到每个所述分块图像在不同预设尺度下的若干尺度图像；
每个所述尺度图像中包括以所述尺度图像的左上角为原点建立的坐标系下，各所述标注框对应的真实位置坐标以及所述病理标注信息；
归一化单元，连接所述变换单元，用于将各所述尺度图像分别进行色彩归一化处理，得到对应的若干归一化图像；
过滤单元，连接所述归一化单元，用于针对每个所述归一化图像，将所述归一化图像的每个所述标注框的所述宽度分别与预设的过滤框具有的第一宽度进行比较，以及将各所述标注框的所述高度分别与所述过滤框具有的第一高度进行比较，并在所述宽度不大于所述第一宽度且所述高度不大于所述第一高度时生成包含对应的所述标注框的有效标注图像，以及
在所述宽度大于所述第一宽度或所述高度大于所述第一高度时生成不包含对应的所述标注框的所述有效标注图像；
框选单元，连接所述过滤单元，用于针对具有相同所述预设尺度的各所述有效标注图像，采用预先生成的具有一第二宽度和一第二高度的固定框对各所述有效标注图像中的各所述标注框进行框选，并将所述固定框内包含最多所述标注框的图像区域作为训练图像；
检测单元，连接所述框选单元，用于采用所有所述训练图像训练得到一异常细胞检测模型；
存储单元，连接所述检测单元，用于保存所述异常细胞检测模型；
第一处理模块，连接所述数据存储模块，用于将待检测图像通过多尺度变换得到在不同所述预设尺度下的若干多尺度待检测图像，并根据所述异常细胞检测模型对各所述多尺度待检测图像进行子宫颈异常细胞检测，输出不同所述预设尺度下的初始检测结果；
第二处理模块，连接所述第一处理模块，用于将各所述初始检测结果进行合并得到所述待检测图像的子宫颈异常细胞检测结果。
CN201910913936.6A 2019-09-25 2019-09-25 一种子宫颈异常细胞检测方法及系统 Active CN110648322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910913936.6A CN110648322B (zh) 2019-09-25 2019-09-25 一种子宫颈异常细胞检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910913936.6A CN110648322B (zh) 2019-09-25 2019-09-25 一种子宫颈异常细胞检测方法及系统

Publications (2)

Publication Number Publication Date
CN110648322A CN110648322A (zh) 2020-01-03
CN110648322B true CN110648322B (zh) 2023-08-15

Family

ID=69011196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910913936.6A Active CN110648322B (zh) 2019-09-25 2019-09-25 一种子宫颈异常细胞检测方法及系统

Country Status (1)

Country Link
CN (1) CN110648322B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861916A (zh) * 2020-07-09 2020-10-30 中南大学湘雅二医院 病理图片的处理方法
CN111986802A (zh) * 2020-08-14 2020-11-24 上海市肺科医院 一种肺腺癌病理分化等级的辅助判定系统及方法
CN112257704A (zh) * 2020-09-15 2021-01-22 深圳视见医疗科技有限公司 基于深度学习检测模型子宫颈液基细胞数字图像分类方法
CN112184733B (zh) * 2020-09-30 2024-07-23 平安科技（深圳）有限公司 一种宫颈异常细胞检测装置及方法
CN112215117A (zh) * 2020-09-30 2021-01-12 北京博雅智康科技有限公司 一种基于宫颈细胞学图像的异常细胞识别方法及系统
CN112380900A (zh) * 2020-10-10 2021-02-19 深圳视见医疗科技有限公司 基于深度学习的子宫颈液基细胞数字图像分类方法及系统
CN112686865B (zh) * 2020-12-31 2023-06-02 重庆西山科技股份有限公司 一种3d视图辅助检测方法、系统、装置及存储介质
CN114463565A (zh) * 2021-01-20 2022-05-10 赛维森(广州)医疗科技服务有限公司 宫颈细胞玻片数字图像的识别模型的模型成长方法
CN114170224B (zh) * 2021-01-20 2022-09-02 赛维森(广州)医疗科技服务有限公司 应用生成式染色归一化的细胞病理分类的系统及方法
CN114549603B (zh) * 2022-02-28 2022-10-18 赛维森(广州)医疗科技服务有限公司 细胞病理图像的标注坐标转换方法、系统、设备及介质
CN115797270A (zh) * 2022-11-15 2023-03-14 正泰集团研发中心(上海)有限公司 漏光检测模型的训练方法、检测方法、设备及存储介质
CN117974668B (zh) * 2024-04-02 2024-08-13 青岛美迪康数字工程有限公司 基于ai的新型胃黏膜可视度评分量化方法、装置和设备

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184420A (zh) * 2011-04-18 2011-09-14 四川大学 一种免疫组化数字图像处理方法
US9129190B1 (en) * 2013-12-04 2015-09-08 Google Inc. Identifying objects in images
KR20160047720A (ko) * 2014-10-23 2016-05-03 전북대학교산학협력단 자궁 경부암 자동 진단 시스템 및 방법
CN107346436A (zh) * 2017-06-29 2017-11-14 北京以萨技术股份有限公司 一种融合图像分类的视觉显著性检测方法
CN107967484A (zh) * 2017-11-14 2018-04-27 中国计量大学 一种基于多分辨率的图像分类方法
CN107967451A (zh) * 2017-11-23 2018-04-27 常州大学 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法
CN108038409A (zh) * 2017-10-27 2018-05-15 江西高创保安服务技术有限公司 一种行人检测方法
US10007865B1 (en) * 2017-10-16 2018-06-26 StradVision, Inc. Learning method and learning device for adjusting parameters of CNN by using multi-scale feature maps and testing method and testing device using the same
CN108427969A (zh) * 2018-03-27 2018-08-21 陕西科技大学 一种多尺度形态学结合卷积神经网络的纸张缺陷分类方法
CN109034221A (zh) * 2018-07-13 2018-12-18 马丁 一种宫颈细胞学图像特征的处理方法及其装置
CN109214336A (zh) * 2018-09-05 2019-01-15 高新兴科技集团股份有限公司 一种车窗标志物检测方法及装置
CN109740463A (zh) * 2018-12-21 2019-05-10 沈阳建筑大学 一种车载环境下的目标检测方法
CN109740549A (zh) * 2019-01-08 2019-05-10 西安电子科技大学 基于半监督cnn的sar图像目标检测系统和方法
CN109753903A (zh) * 2019-02-27 2019-05-14 北航（四川）西部国际创新港科技有限公司 一种基于深度学习的无人机检测方法
CN109919045A (zh) * 2019-02-18 2019-06-21 北京联合大学 基于级联卷积网络的小尺度行人检测识别方法
US10354122B1 (en) * 2018-03-02 2019-07-16 Hong Kong Applied Science and Technology Research Institute Company Limited Using masks to improve classification performance of convolutional neural networks with applications to cancer-cell screening
US10402686B1 (en) * 2019-01-25 2019-09-03 StradVision, Inc. Learning method and learning device for object detector to be used for surveillance based on convolutional neural network capable of converting modes according to scales of objects, and testing method and testing device using the same

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10846566B2 (en) * 2016-09-14 2020-11-24 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184420A (zh) * 2011-04-18 2011-09-14 四川大学 一种免疫组化数字图像处理方法
US9129190B1 (en) * 2013-12-04 2015-09-08 Google Inc. Identifying objects in images
KR20160047720A (ko) * 2014-10-23 2016-05-03 전북대학교산학협력단 자궁 경부암 자동 진단 시스템 및 방법
CN107346436A (zh) * 2017-06-29 2017-11-14 北京以萨技术股份有限公司 一种融合图像分类的视觉显著性检测方法
US10007865B1 (en) * 2017-10-16 2018-06-26 StradVision, Inc. Learning method and learning device for adjusting parameters of CNN by using multi-scale feature maps and testing method and testing device using the same
CN108038409A (zh) * 2017-10-27 2018-05-15 江西高创保安服务技术有限公司 一种行人检测方法
CN107967484A (zh) * 2017-11-14 2018-04-27 中国计量大学 一种基于多分辨率的图像分类方法
CN107967451A (zh) * 2017-11-23 2018-04-27 常州大学 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法
US10354122B1 (en) * 2018-03-02 2019-07-16 Hong Kong Applied Science and Technology Research Institute Company Limited Using masks to improve classification performance of convolutional neural networks with applications to cancer-cell screening
CN108427969A (zh) * 2018-03-27 2018-08-21 陕西科技大学 一种多尺度形态学结合卷积神经网络的纸张缺陷分类方法
CN109034221A (zh) * 2018-07-13 2018-12-18 马丁 一种宫颈细胞学图像特征的处理方法及其装置
CN109214336A (zh) * 2018-09-05 2019-01-15 高新兴科技集团股份有限公司 一种车窗标志物检测方法及装置
CN109740463A (zh) * 2018-12-21 2019-05-10 沈阳建筑大学 一种车载环境下的目标检测方法
CN109740549A (zh) * 2019-01-08 2019-05-10 西安电子科技大学 基于半监督cnn的sar图像目标检测系统和方法
US10402686B1 (en) * 2019-01-25 2019-09-03 StradVision, Inc. Learning method and learning device for object detector to be used for surveillance based on convolutional neural network capable of converting modes according to scales of objects, and testing method and testing device using the same
CN109919045A (zh) * 2019-02-18 2019-06-21 北京联合大学 基于级联卷积网络的小尺度行人检测识别方法
CN109753903A (zh) * 2019-02-27 2019-05-14 北航（四川）西部国际创新港科技有限公司 一种基于深度学习的无人机检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于ssd改进的目标检测方法研究;张俊蓉 等;《激光与红外》;第1019-1025页 *

Also Published As

Publication number Publication date
CN110648322A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN110648322B (zh) 一种子宫颈异常细胞检测方法及系统
CN108492343B (zh) 一种扩充目标识别的训练数据的图像合成方法
EP3478728B1 (en) Method and system for cell annotation with adaptive incremental learning
US11669971B2 (en) Colony contrast gathering
CN113723573B (zh) 基于自适应比例学习的肿瘤组织病理分类系统及方法
CN106846316B (zh) 一种gis内部典型缺陷图像自动识别方法
Arteta et al. Interactive object counting
JP6710135B2 (ja) 細胞画像の自動分析方法及びシステム
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
CN112215117A (zh) 一种基于宫颈细胞学图像的异常细胞识别方法及系统
US11593656B2 (en) Using a first stain to train a model to predict the region stained by a second stain
US20130094733A1 (en) Region segmented image data creating system and feature extracting system for histopathological images
CN114846507A (zh) 用于使用人工智能（ai）模型进行非侵入性基因检测的方法和系统
CN103996052B (zh) 基于三维点云的三维人脸性别分类方法
US20210214765A1 (en) Methods and systems for automated counting and classifying microorganisms
CN110598030A (zh) 一种基于局部cnn框架的甲骨拓片分类方法
CN111881732B (zh) 一种基于svm的人脸质量评价方法
CN112381762A (zh) 一种基于深度学习算法的ct肋骨骨折辅助诊断系统
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN113436735A (zh) 基于人脸结构度量的体重指数预测方法、设备和存储介质
CN111814801B (zh) 一种机械图中标注串的提取方法
CN111612749A (zh) 基于肺部影像的病灶检测方法和装置
CN110889418A (zh) 一种气体轮廓识别方法
CN113989269B (zh) 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法
CN112949634B (zh) 一种铁路接触网鸟窝检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant